Python爬虫自学系列（七） -- 项目实战篇（一）爬取腾讯暑期实习

前言

之所以标题不说是爬什么网，主要是怕大家看了标题以为是之前那篇的返稿。其实不是啊。

这次爬的是腾讯的暑期实习招聘。

上次爬完之后放那边也没去更新过，今天再上去看，发现人家已经改版了。

不知道为啥啊，就喜欢爬他们家的，还有爬CSDN的。

那，这次改版，数据是好爬了呢，还是难爬了呢？拭目以待啊（好爬我就不写了，难爬我就写不了）

流程

第一步，打开网站

这不废话嘛，不打开网站怎么分析嘛。

腾讯暑期实习

不知道是不是我网络不太行，打开这个网址，有时候可以，有时候就是白屏。

所以爬不下来不用担心是被封了IP，可能是真的卡，缓缓再来就好。

第二步，分析网站

进去之后，你随便点，你会发现点来点去就是那一个网址，开心吧。

我的第一反应就是网页渲染。很抱歉这个系列没有提到网页渲染以及解决方法，因为我也不会啊。。。

毕竟我是个学后端的。

当时心里拔凉拔凉的，当时我还是不死心，点开了网页源码：

好样儿的。

当我把这句拿去百度的时候：href="javascript:;"，网上的回复清一色都是用自动化测试工具去弄吧（selenium之类）。

为什么心里会凉呢？因为我觉得，这些模块，应该是一个模块一个数据包吧！！！

给我看傻了都，四个大label，每个大label里面还有好几个小label，然后小label里面还有下拉框，我的天哪！！！

就在我绝望之际，我还是点开了它的数据包，我想，就让我最后看一眼吧，我的天哪。

好，这么一看，就一个大label一个包？这么多数据就一个包？好极。

死灰复燃了。

分析json包

在这方面，我不得不说，火狐还是有它的优势在里面的，看一下：技术类岗位数据包

这是火狐的。

跟网页对比一下，来看里面的那些元素分别是什么意思吧。

可以看到，所有的数据都在 JoinResultDtoList 里面，

（这里记得把转义字符自行转换）

title：岗位方向
rrCount：投递录用比
desc：岗位描述
request：岗位需求
workcity：据我分析啊，是这个样子的：
	1、深圳总部
	2、北京
	3、上海
	4、广州
	5、成都
	8、合肥
	11、杭州
招聘城市：远程

其他三个包我都看过了，各位自取咯。

获取数据并简单处理

接下来，就是把数据拿下来处理了（简陋了点，我得去休息了）：

import requests
import json

user_agent=[
# 请自己放上十几个头
    'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:85.0) Gecko/20100101 Firefox/85.0'
]


list_urls=[]
def geturl():
    page = requests.get("https://join.qq.com/api/v1/jobDetails/getJobDetailsByPidAndTid?timestamp=1611742780882&pid=2&tid=2")
    html = page.text
    print(type(html))
    jhtml = json.loads(html)
    print(jhtml['data'])
    print(type(jhtml))
    for data in jhtml['data']:
        print(data)

geturl()

各位尽请发挥。

整完之后记得存起来，可以参照我pandas的第二篇：pandas做数据存储

爬虫百战穿山甲 小圈子

爬虫自学系列写了有三分之二了，大家是否有觉得自己学习爬虫过程中会遇到各种各样的问题？

我组织了一群朋友，都是身经百战的‘大佬’了，让我们一起在爬虫的路上披荆斩棘吧。

爬虫百战穿山甲·传送门